Als je aan data science-projecten werkt, heb je volop keuze uit de beste programmeertalen. Naast zwaargewichten als Python, R en SQL zijn er ook andere algemene en gespecialiseerde talen die je kunt gebruiken, zoals MATLAB, C/C++ en Go. Maar hoe zit het met Julia, een relatief nieuwkomer? Hier bekijken we waar Julia voor wordt gebruikt en waarom je zou moeten overwegen het te leren.
Wat is Julia?
Julia is een spannende en relatief nieuwe programmeertaal die is ontworpen als ideale taal voor wetenschappelijk rekenen, machine learning en data mining. Sinds de release in 2012 is Julia snel uitgegroeid tot een favoriet onder ervaren dataprofessionals.
Julia is ontworpen om de snelheid van C, de algemene programmeermogelijkheden van Python en de statistische kracht van R te combineren. Het is een krachtige taal die, vergeleken met andere talen, redelijk eenvoudig te leren is.
Julia is inmiddels meer dan 40 miljoen keer gedownload en heeft een community opgebouwd die meer dan 8.000 packages voor de taal heeft geregistreerd. In oktober 2022 stond Julia respectievelijk op plaats 25 en 27 in de PYPL-index en de TIOBE-index. Met andere woorden: hoewel Julia nog niet zo populair is als Python, R of MATLAB, is het een rijzende ster met een vergelijkbare populariteit als SAS of Scala.
Voordelen en nadelen van Julia
Het is natuurlijk makkelijk enthousiast te worden over een nieuwe programmeertaal, zeker als die zo vernieuwend wil zijn. Maar zoals bij alle talen heeft Julia plus- en minpunten. Hieronder hebben we enkele voor- en nadelen van Julia op een rij gezet. We gaan hier dieper op in in ons artikel over de opkomst van Julia:
Voordelen van Julia
- Ze is snel. Je zult veel horen over de snelheid van Julia. In termen van microbenchmarks (het meten van prestaties op een reeks veelvoorkomende codepatronen) presteert ze erg goed, al zijn deze resultaten exclusief de compileertijd. Een deep-dive liet zien dat Julia’s CSV.jl-package voor het verwerken van tekstbestanden met scheidingstekens 1,5 tot 5 keer sneller was dan de pandas-package van Python bij het inlezen van CSV-data.
- Ze heeft een duidelijke syntaxis. De Julia-syntaxis is geïnspireerd op bestaande talen voor dataprogrammering. Zie het als MATLAB, maar dan met goede ideeën uit Python, R en Ruby.
- Ze is veelzijdig. Zoals we zullen zien, zijn er veel toepassingen voor Julia. Een aantal features, zoals multiple dispatch, maken de taal inzetbaar in veel sectoren en voor allerlei soorten projecten.
Nadelen van Julia
- De taal is jong. Zoals gezegd is Julia een relatief nieuwe speler. Daardoor is ze niet zo wijdverspreid of goed ondersteund als talen als Python en R.
- Het ecosysteem is klein (maar groeit). Door die nieuwheid zijn community en ecosysteem nog relatief klein. Er komen volop unieke oplossingen en packages bij, maar vergeleken met zwaargewichten als Python is er nog een lange weg te gaan.
- Er zijn enkele compilatie-issues. Verschillende bronnen melden vertraging bij het compileren van code met Julia’s just-in-time- (JIT) compiler. JIT compileert alle code naar machinecode vóór uitvoering. Deze vertraging kan wat frustrerend zijn als je snel wilt scripten.
Toepassingen van Julia
Als opkomende taal heeft Julia dus verschillende voor- en nadelen. Maar waar wordt Julia dan voor gebruikt?
Een van de hoofddoelen bij het ontstaan van Julia was een taal creëren waarmee programmeurs duidelijke, high-level, generieke en abstracte code kunnen schrijven die lijkt op wiskundige formules, terwijl er toch snelle, low-level machinecode geproduceerd wordt zoals je die in statische talen ziet. Bekijk de taal in actie met onze Julia-tutorial.
Hieronder lichten we enkele gebieden uit waarin de programmeertaal uitblinkt.
1. Numeriek rekenen
Er is een reeks packages waarmee Julia-programmeurs numerieke rekenklussen kunnen uitvoeren. Voor lineaire-algebra-taken is er bijvoorbeeld de module LinerAlgebra.jl; voor wortelzoeken is er NonlinearSolve; en voor automatische differentiëren zijn er ForwardDiff of Enzyme.
2. Machine learning
Ook is Julia gebouwd met machine learning in gedachten, in het bijzonder scientific machine learning, dat zich richt op uitdagingen en inzichten uit wetenschappelijke datasets. Als gecompileerde taal die is ontworpen voor parallellisme, kan Julia enorme snelheidswinst bieden bij bepaalde ML-taken. Zo kan Julia de trainingstijd aanzienlijk verbeteren en de kosten verlagen wanneer ML-modellen in productie worden gebracht.
Met een groeiende community en veel nieuwe ML-packages, waarvan er veel zijn opgenomen in het MLJ-framework, kan Julia een uitstekende keuze zijn voor dit vakgebied. Een mooi voorbeeld van machine learning in Julia komt van een Australisch bedrijf dat het elektriciteitsnet onderhoudt. Door een 3D-kaart te maken en Julia-ML te gebruiken, konden ze storingen en mogelijke storingen 100x sneller identificeren dan voorheen.
3. Statistiek
Een andere belangrijke functie van Julia is voor statistiek en statistische analyse. Zo bevat het StatsKit meta-package Julia-packages voor basisstatistiek, evenals tools voor werken met tabellaire DataFrames, kansverdelingen, multivariate statistische analyse, hypothesetests en meer.
4. Algemeen programmeren
Als general-purpose programmeertaal kan Julia een breed scala aan software en functionaliteit bouwen. Zo kun je met het Blink-package Electron GUI-apps bouwen, introduceert GameZero game-ontwikkeling voor beginners en stelt Miletus je in staat financiële contracten in Julia te modelleren.
We noemden al dat Julia is ontworpen om relatief makkelijk en snel mee te programmeren dankzij de heldere syntaxis. Daarnaast voert ze code uit en berekent ze resultaten ook nog eens zeer snel.
5. Webdevelopment
Er zijn verschillende uitstekende Julia-tools voor webdevelopment beschikbaar. Packages zoals Genie.jl en Dash.jl. Genie laat je met data op het web werken in Julia. Het is een full-stack webframework dat een gestroomlijnde en efficiënte workflow biedt voor het ontwikkelen van webapplicaties. Dash.jl is een Julia-interface naar het Dash-ecosysteem, waarmee je webapplicaties in Julia kunt bouwen.
Voorbeelden van Julia in sectoren
Nu we in grote lijnen weten waar Julia voor wordt gebruikt, kijken we naar enkele voorbeelden in verschillende sectoren. Op de Julia-website staan veel van de toepassingen van de taal, en hieronder hebben we enkele belangrijke uitgelicht:
6. Farmaceutische modellering en ontwikkeling
Julia wordt veel gebruikt in de medische wereld. Onderzoekers gebruiken Julia om nieuwe medicijnen te identificeren en te testen, behandelingen te optimaliseren en voor diagnose en behandeling. Packages zoals BioJulia (een bio-informatica-infrastructuur) en Pumas (voor pharmacometrics-modellering, de wetenschap van het kwantificeren van informatie uit medicijnproeven) zijn gemeengoed. Zo gebruikte farmareus Pfizer Julia om simulaties van nieuwe therapieën te versnellen.
7. Parallelle supercomputing
Een van de beste voorbeelden van Julia’s snelheid vind je in de astronomie, waar de bundel AstroLib.jl met astronomische en astrofysische routines vaak wordt gebruikt.
Een voorbeeld van Julia in de astronomie is het Celeste-project, waarin een onderzoeksteam van astronomen, natuurkundigen, computerengineers en statistici een nieuwe methode voor parallel computing ontwikkelde met Julia. Na drie jaar ontwikkeling gebruikten ze deze methode om in slechts 14,6 minuten de meest nauwkeurige catalogus van 188 miljoen astronomische objecten te produceren, een prestatieverbetering van meer dan 1.000x.
8. Financiële modellering en beheer
De prestaties en flexibiliteit van Julia maken het een krachtig hulpmiddel in de financiële wereld. Professionals gebruiken de taal om modellen en prognoses te ontwikkelen voor financiële besluitvorming. Een van de populaire packages is JuliaFin, dat zich richt op gebieden zoals assetmanagement, risicobeheer, algoritmische handel, backtesten en andere takken van computationele finance, waaronder het modelleren van financiële contracten.
9. Robotica
Robotici van MIT gebruiken Julia om robots te programmeren. Voorbeelden zijn het trainen om te lopen, trappen te beklimmen en moeilijk en gevaarlijk terrein te doorkruisen. Ook hier worden de flexibiliteit en generieke code van Julia genoemd als redenen voor de kracht in deze sector, omdat het professionals in staat stelt heldere functies te schrijven die op allerlei datatypen kunnen werken.
Een populaire collectie packages op dit gebied is JuliaRobotics, met onder meer Julia-packages zoals MotionCaptureJointCalibration.jl, dat kinematische kalibratie voor robots biedt op basis van motion-capturedata.
10. Netwerkbeveiliging
Netswerkspecialisten bij Cisco gebruikten het Flux.jl-package van Julia om de netwerkbeveiliging te verbeteren en voor machine learning. De mogelijkheid om efficiënte code in één enkele taal te schrijven, wordt genoemd als een van de belangrijkste voordelen van Julia op dit gebied.
Aan de slag met Julia
De toepassingen van Julia zijn duidelijk aanzienlijk. Hoewel het, gezien de gevestigde positie van Python en R, nog geen directe vervanging is binnen data science, heeft het zeker de potentie om je repertoire uit te breiden. Wie Julia wil leren, kan beginnen met onze cursus Introduction to Julia, die je meeneemt langs de belangrijkste features van deze snel ontwikkelende taal. Je vindt ook onze Julia-cheat sheet, een handig naslagwerk voor de basis van Julia.
